Внедрение технологий искусственного интеллекта (ИИ) — это не только экономия времени и ресурсов или ощущение того, что ты идёшь в ногу с прогрессом. Это также страхи, заблуждения, опасения и объективные сложности, которые возникают даже у крупных промышленных предприятий.
Риск первопроходцев
Как рассказал в рамках конференции Conversations 2025 директор по корпоративным инновациям фонда "Сколково" Сергей Дутов, первое, что необходимо для успешного внедрения ИИ, — это совмещение отраслевых и IT–компетенций. Кроме того, успешной интеграции часто мешает недостаток общеотраслевых данных, необходимых для обучения моделей. А эта нехватка складывается из–за того, что компании не хотят делиться данными с конкурентами.
Для обоснования расходов на внедрение ИИ (которые могут быть немалыми) нужен план, последовательность шагов от идеи до готового продукта. При этом интеграторам невозможно оцифровать и предварительно просчитать экономический эффект. Зачастую компании склоняются к методу on–prem, который подразумевает развёртывание ПО на серверах компании, а не в облаке. Такой приоритет объясняется тем, что обрабатываемые данные являются коммерческой тайной. В результате требуются большие расходы на аппаратную часть.
При этом новатор несёт существенные затраты на апробацию и доработку отраслевого решения, а его конкуренты получают возможность пойти проторенной дорожкой и существенно сэкономить.
Выводы Дутова в целом подтвердили петербургские промышленники, уже применяющие ИИ в своей работе. Так, компания "Герофарм" столкнулась с нехваткой данных для обучения нейросетей и необходимостью обновления оборудования. Любой алгоритм требует огромного количества экспериментальных данных, получить которые можно только из собственных лабораторий или коллабораций с другими научными группами.
“
"Сейчас фармпредприятия неохотно делятся научными данными, которые позволили бы алгоритму быстрее моделировать новые эффективные молекулы. В будущем же конкурентная борьба за эти данные только усилится", — отмечает директор научно–исследовательского центра "Герофарма" Роман Драй.
Эксперт добавляет, что высокая энергоёмкость и быстрое устаревание инфраструктуры требуют постоянных инвестиций в оборудование и вычислительные мощности. В результате интеграция может не обеспечить ожидаемого снижения затрат производства.
Недостаток качественных данных ощутили и сотрудники производства трубного проката "Северстали", расположенного в Колпинском районе. На практике данные часто были фрагментированы или вовсе отсутствовали, а аналитики потратили много времени и сил на их верификацию.
"Часть систем работала на устаревшем ПО и оборудовании, не совместимом с современными ИИ–решениями. Необходимо было их адаптировать, пробовать альтернативные варианты. В исключительных случаях как временное решение даже приходилось применять так называемые “костыли”. Подобные системы требуют постоянного мониторинга, регулярной донастройки и дообучения. Без этого даже изначально эффективная модель со временем начнёт деградировать, выдавая некорректные прогнозы и рекомендации", — объясняют в пресс–службе производителя.
В АО "Заслон" (производитель микроэлектроники) отмечают, что для системы выявления дефектов, как правило, мало данных, собранных для обучения нейросетевой модели, поскольку некоторые дефекты встречаются очень редко.
“
"Сбор такого датасета мог затянуться на долгое время. Пришлось немного изменить подход: обучать модели на “хороших” платах, без дефектов, и с помощью нейросетевых моделей искать аномалии, то есть отличия от эталона, что и является дефектом", — рассказали в компании.
При этом сбор данных сопровождался различной трактовкой, что является дефектом. Одни сотрудники считали некоторые дефекты незначительными и пропускали, другие же, наоборот, лишний раз перестраховывались. В ряде случаев размечать данные поручалось только одному человеку, чтобы избежать противоречий.
Человеческий фактор
Крайне серьёзная проблема, с которой сталкиваются интеграторы на практике, — недоверие собственного персонала к результатам работы нейросетей. Или напротив — завышенные ожидания от них.
Как рассказали в пресс–службе "Заслона", любая ошибка искусственного интеллекта воспринималась крайне болезненно, хотя по точности он всё равно превосходил человека.
"Приходилось объяснять сотрудникам, что ИИ неидеален и тоже может ошибаться. Но у него есть свои несомненные преимущества — например, он не устаёт и может работать 24 часа 7 дней в неделю",— отмечают в компании.
В "Северстали" часть производственного персонала опасалась перемен в привычных процессах. Но это было только на первых этапах, впоследствии рабочие и айтишники стали лучше понимать друг друга и слились в эффективную команду.
Однако ситуацию усугубляет дефицит квалифицированных кадров в области ИИ (особенно на уровнях middle и senior), а также недостаток дата–сайентистов, понимающих производственные процессы, оговариваются в компании. О проблеме кадрового голода говорят и в "Герофарме".
“
"Современная разработка лекарственных средств требует междисциплинарного подхода, объединяющего математику и биологию. Однако существующая система образования разделяет эти направления: ученики и студенты вынуждены выбирать между физико–математическим и химико–биологическим профилем, что практически исключает возможность получить комплексное образование. Этот разрыв существенно усложняет подготовку специалистов для фармацевтической отрасли, усугубляя и без того острый дефицит кадров, характерный для IT–сферы в целом", — уточняет Роман Драй.
Преодоление боли
Зачастую промышленники ожидают, что ИИ–решение будет стоить недорого, и требуют от разработчика передачу продукта с открытым исходным кодом. Вендоры, ожидаемо, не готовы идти на это, опасаясь копирования, а также потери денег и прав на разработку, рассказывает директор по развитию бизнеса Just AI Светлана Захарова.
Она добавляет, что периодически у заводов появляются очень тяжёлые кейсы, которые мешают масштабироваться и правильно двигаться по пути трансформации.
"Например, с одной производственной компанией мы обсуждали решение, которое могло бы делать постоянные снимки оборудования, отслеживать степень износостойкости, появления ржавчины. И далее на основе языковой модели анализировать и прогнозировать, когда оборудованию потребуется замена. Подобные кейсы есть в каждой отрасли, и за них промышленники готовы платить много. Но вендоры не хотят браться, так как, по логике, чтобы правильно вести ИИ–трансформацию бизнеса, сложные кейсы делают самыми последними. Промышленники пробуют собирать демоверсии требуемых решений сами, но обычно достойного варианта не получается. На этом этапе начинается разочарование в технологии и откат назад",— говорит участник рынка.
Захарова рекомендует не браться сразу за сложные кейсы, особенно если нет экспертизы и внутренней команды. Ответственным сотрудникам следует управлять ожиданиями руководства, а также грамотно доносить, как лучше проводить трансформацию и с чего начинать. Также важно собирать внутреннюю команду, растить отраслевую экспертизу, создавать сообщества внутри отрасли, чтобы обмениваться знаниями, добавляет она.
Как уточняет инвестиционный менеджер Sk Capital Алексей Филиппов, способы решения сложностей индивидуальны и зависят от кейса внедрения.
“
"Практика показала, что наибольший эффект даёт комбинированный подход: локализация вычислений на уровне производственных сетей, унификация данных и форматов в корпоративной сети, а также формальное закрепление роли человека в критических точках производственных и бизнес–процессов", — подчёркивает он.
